基于数据挖掘技术的短期电力负荷预测
| 中文摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 第一章 绪论 | 第10-17页 |
| ·短期电力负荷预测概述 | 第10-13页 |
| ·短期负荷预测的意义 | 第10-11页 |
| ·短期负荷预测的特点 | 第11-12页 |
| ·短期负荷预测的基本过程 | 第12-13页 |
| ·短期电力负荷预测的研究现状 | 第13-16页 |
| ·本文的主要工作 | 第16-17页 |
| 第二章 电力负荷特性分析及数据的预处理 | 第17-26页 |
| ·引言 | 第17页 |
| ·负荷特性探索性分析 | 第17-22页 |
| ·负荷的内在特性 | 第18-20页 |
| ·负荷与非负荷因素的关系 | 第20-22页 |
| ·负荷数据的预处理 | 第22-25页 |
| ·异常数据的查找和替换 | 第22-23页 |
| ·数据的归一化处理 | 第23-24页 |
| ·气温数据的量化处理 | 第24-25页 |
| 本章小结 | 第25-26页 |
| 第三章 基于粗糙集的电力负荷预测模型特征向量提取 | 第26-33页 |
| ·引言 | 第26页 |
| ·粗糙集理论 | 第26-30页 |
| ·粗糙集的基本概念 | 第27-29页 |
| ·基于区分矩阵的知识约简 | 第29-30页 |
| ·基于RS 输入特征提取 | 第30-32页 |
| ·基于RS 输入特征提取的具体流程 | 第30-31页 |
| ·实验结果 | 第31-32页 |
| 本章小结 | 第32-33页 |
| 第四章 基于支持向量机的短期电力负荷预测模型分析 | 第33-55页 |
| ·引言 | 第33页 |
| ·支持向量回归原理 | 第33-37页 |
| ·SVM 回归估计算法 | 第33-35页 |
| ·回归估计函数表达式 | 第35-36页 |
| ·核函数的构造 | 第36-37页 |
| ·基于SVM 的短期电力负荷预测 | 第37-46页 |
| ·样本特征选择 | 第37-38页 |
| ·训练样本和测试样本选择 | 第38页 |
| ·训练算法的选择 | 第38-40页 |
| ·核函数选择 | 第40-41页 |
| ·SVM 参数选择（试验法） | 第41-44页 |
| ·智能参数选择（Grid Search） | 第44-45页 |
| ·负荷预测的具体流程 | 第45-46页 |
| ·实例分析 | 第46-53页 |
| ·SVM 模型选定 | 第46-47页 |
| ·预测结果及分析 | 第47-50页 |
| ·支持向量机和神经网络的比较 | 第50-53页 |
| 本章小结 | 第53-55页 |
| 第五章 基于聚类和支持向量回归的短期负荷预测方法 | 第55-63页 |
| ·引言 | 第55页 |
| ·聚类分析 | 第55-57页 |
| ·聚类的基本概念 | 第55-56页 |
| ·聚类的常用方法 | 第56页 |
| ·SOFM 网络聚类 | 第56-57页 |
| ·基于SOFM 和SVM 的短期负荷预测 | 第57-59页 |
| ·实例分析 | 第59-62页 |
| 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 参考文献 | 第65-67页 |
| 致谢 | 第67页 |
